Os subtítulos gananse na mesa de mestura e nas diapositivas dos falantes. Toma un único sinal limpo dos micrófonos da fala por escenario e carga cada nome e cada sigla antes de que alguén suba ao escenario; o resto do día vai en corrixir o que esas dúas cousas deixaron escapar.
A maior parte do traballo de subtitular unha conferencia faise antes de que alguén suba ao escenario, e a maior parte del non é software.
Un teléfono sobre un atril escoita a sala; a mesa de mestura escoita ao falante. Toma o sinal da mesa, e sé preciso sobre cal sinal. Pídelle ao técnico de son un envío auxiliar ou matricial dedicado que leve só os micrófonos da fala: os do atril, os de solapa e os da mesa de debate. A música de entrada, a reprodución de vídeo e a pista dos aplausos quedan fóra. O recoñecemento que ten que escoitar por enriba dunha sintonía adiviña con seguridade a letra.
Proba ese envío no ensaio técnico, cos micrófonos e os altofalantes reais se os podes conseguir. Se non, descubrirás ás 8:55 da mañá do evento que a saída matricial vai despois do fader e que o técnico silencia o atril entre intervencións.
Dálle a VocalStack ese sinal de dúas formas. A primeira é un codificador RTMP na mesa. Cando engades un fluxo RTMP como fonte dunha transcrición en directo, o panel mostra o URL do servidor e a clave do fluxo que necesita o codificador, indícache se xa chega audio e en que formato, e permíteche escoitalo. A segunda é un enderezo de fluxo. Se o escenario xa se emite como un directo de YouTube ou como fluxo de audio, pega esa ligazón e VocalStack extrae el mesmo o audio; non hai que facer nada no teu lado. Pega o enderezo propio do fluxo, non a páxina en que se reproduce. Se pegas unha páxina web por erro, o panel avísache.
De calquera das dúas formas, usa un único sinal de micrófono por escenario. Os micrófonos do público e as interferencias entre canles restan precisión que ningún axuste recupera. O mellor micrófono do edificio é o do panelista que non para de afastarse del.
Cando o audio xa chega, os asistentes necesitan un lugar onde ler os subtítulos.
Unha emisión é a ligazón que abren os asistentes. Créaa en Broadcasts, ponlle un nome e escolle a súa ligazón. O panel propón unha ligazón a partir do nome; podes editala, sempre que teña polo menos seis caracteres. A mesma pantalla mostra o código QR que escanean os asistentes para abrir a tradución en directo e escoller o seu idioma.
Decide xa se a emisión é pública ou privada. Pública significa que calquera coa ligazón pode abrila. Privada significa que os asistentes introducen un contrasinal breve antes de que aparezca a transcrición. Se a ligazón ten que cambiar máis adiante, cámbiaa; a antiga segue funcionando.
Despois, pensa en como chega a ligazón a mil petos. Pon o código QR na diapositiva de espera antes de cada sesión, na sinalización das portas e na tarxeta do cordón, se existe. Centos de teléfonos conectándose á vez cargan de verdade a wifi do recinto, así que pregunta ao recinto para que tamaño de puntos de acceso se dimensionou e se a rede de visitantes limita o tráfico por dispositivo. Se a resposta é un encolledor de ombros, pídelles aos asistentes que usen datos móbiles. As páxinas son pequenas; o risco é a wifi.
Unha conferencia con dous escenarios non necesita dúas ligazóns. Unha soa emisión pode alimentarse de varias transcricións en directo á vez. O Escenario A e o Escenario B convértense en dúas transcricións asociadas á mesma emisión, e o teléfono do asistente mostra as dúas nunha soa páxina. Cada escenario é unha transcrición en directo propia, e cada plan limita cantas poden funcionar ao mesmo tempo (1 en Pagamento por uso, 5 en Premium, sen límite en Enterprise). Ese límite volve na sección de orzamento máis abaixo.
Unha ligazón vale só o que valen as palabras que hai detrás.
En calquera sistema, o recoñecemento en directo tropeza con nomes, termos de produto e siglas. Engade o guión ou as diapositivas de cada falante antes de comezar, e os nomes e termos que conteñan terán prioridade sobre o que o motor cre que escoitou. Durante a intervención, a pestana Script segue as palabras como un teleprompter.
Este é tamén o momento de ser honestos sobre o que é a subtitulación automática. O recoñecemento da fala máis a tradución automática non é CART (Communication Access Realtime Translation, subtítulos escritos en directo por un subtitulador humano formado), e tampouco é interpretación. É rápida, barata e incansable, e de cando en vez inverterá unha negación, redondeará un número ou convertirá un chiste nunha afirmación de feito. Para unha conferencia maxistral, unha sesión de produto ou un panel, ese intercambio adoita ser o acertado. Para unha sesión en que unha palabra mal pode ter consecuencias (legais, médicas, unha votación), contrata un subtitulador ou intérprete humano e deixa que a máquina funcione ao lado como rexistro escrito. Vale a pena coñecer tamén a base de accesibilidade: WCAG 2.x pide subtítulos no audio en directo no nivel AA (criterio 1.2.4), e cada vez son máis os contratos do sector público e de recintos que simplemente o citan.
Con as palabras xa fixadas, a última preparación é sobre quen as di.
As etiquetas de falante indican ao público quen fala. Pon o interruptor en When Needed e as etiquetas aparecen só cando se escoita un segundo falante, así que unha conferencia maxistral se le como texto plano e un panel como unha conversa.
Para que os falantes se recoñezan polo nome desde a primeira liña, rexistra as súas voces de antemán en Voices. Basta un clip dunha soa persoa falando: MP3, M4A ou WAV, de polo menos trinta segundos, aínda que é mellor que dure uns minutos. A persoa tivo que dar o seu acordo, e o panel pídeche que confirmes que tes permiso antes de crear a voz. Non o trates como unha simple casilla. Co RXPD (GDPR), unha pegada de voz usada para identificar a unha persoa considérase en xeral un dato biométrico (artigo 9). Iso implica consentimento explícito e dereito a que se elimine a pegada de voz. Existen normas comparables noutros lugares, e os acordos cos falantes son o lugar máis sinxelo para tratalo. Unha voz clonada pode eliminarse en calquera momento. Mentres existe, tamén permite que quen escoita reciba as traducións dese falante cunha voz parecida.
Cunha vez cerrado o plan, o resto é o propio día.
Cada transcrición en directo ten unha pestana Speed cun modo de latencia e un gráfico do retardo ao longo do tempo. Tres axustes:
Para unha conferencia maxistral con guión e un sinal limpo da mesa, Auto é o axeitado; para un panel técnico con catro acentos e sen guión, Accuracy paga a pena o retardo adicional.
O arranque é o outro tempo que hai que planificar. En Pagamento por uso, un arranque en frío pode tardar ata 15 segundos antes de que comece a transcrición. Premium adoita arrancar en quente, e Enterprise sempre. Preme iniciar durante a entrada, non na primeira palabra.
Sexa cal sexa o modo, algunhas palabras estarán mal, así que alguén debe estar atento.
Alguén na mesa debe ter aberta a pestana Fix. Ten dous interruptores: Mark uncertain words colorea e subliña as palabras de que o motor non estaba seguro, e Click to correct abre unha liña para revisala ao facer clic nela. A pestana guíache polos segmentos inseguros un a un, e unha corrección chega a quen escoita en todos os idiomas.
O micrófono do público é o punto débil de calquera sala, e o turno de preguntas (Q&A) é onde se nota. Pídelle á moderación que repita en voz alta, no seu propio micrófono, cada pregunta do público antes de responder. Os subtítulos agradecerano, e tamén a última fila, que tampouco a escoitou.
Entre sesións, a mesa ten outra tarefa.
A pantalla do anfitrión pode pausar e reanudar unha gravación, e a páxina de quen escoita mostra un aviso: «Paused. The transcript continues when the host resumes.» A pausa é para un relevo entre sesións, non para unha pausa para comer. Cada gravación ten un tempo máximo de pausa, que se fixa no panel en 30 segundos, 1 minuto ou 3 minutos; unha gravación que quede pausada máis tempo acaba sozinha.
Para un intervalo máis longo, para a gravación e inicia unha nova cando comece a seguinte sesión. Cada gravación segue listada na páxina da emisión, así que pola tarde os asistentes poden volver ás sesións da mañá. Unha única gravación en directo ten un límite de varias horas en Pagamento por uso e máis longo en Premium (as cifras exactas están na páxina de prezos), así que un día longo son varias gravacións en calquera caso.
A mediados da mañá, comproba quen está lendo de verdade.
A vista de público da pestana Broadcast mostra quen está dentro, cantas persoas escoitan agora, os idiomas que teñen abertos e a quen escoita ao longo do tempo. Cada transcrición inclúe ata 10 idiomas, e cada persoa que escoita escolle un no seu propio dispositivo. A vista indícache, polo tanto, que idiomas le de verdade a sala, que raramente coincide coa lista que adiviñaron os organizadores. Resulta que as persoas inscritas desde Madrid len en inglés; a fila do portugués énchese cunha táboa que ninguén esperaba. Leva esa lista para o ano seguinte.
Cada unha desas persoas que escoitan é gratuíta. O que custa diñeiro é o audio.
A transcrición en directo custa $0.60 por hora de audio, facturada por segundo cun mínimo de 5 minutos por transcrición, en todos os plans e a través da API. Dous escenarios en funcionamento durante oito horas cada un son 16 horas de audio en directo, ou $9.60. As traducións, a emisión, os resumos e as exportacións están incluídos, sen importar cantas persoas escoiten.
O plan importa pola capacidade, non pola tarifa. Pagamento por uso dá $5 de crédito puntual de alta, sen tarxeta, unha transcrición de cada vez e unha gravación máxima de 5 horas. Unha transcrición en directo para de inmediato cando o crédito chega a cero, así que recarga antes de abrir as portas. Premium custa $50 ao mes ($40 ao mes no plan anual) e inclúe $50 de crédito cada mes, o que cobre 83 horas en directo. Permite cinco transcricións simultáneas e gravacións de 10 horas, e engade un período de graza: unha transcrición en directo segue funcionando un tempo despois de chegar a cero, e os minutos adicionais cóbranse á mesma tarifa. Dous escenarios en paralelo precisan Premium. Enterprise ten prezo personalizado, concorrencia sen límite, gravacións de 24 horas e un conxunto de motores dedicado.
Consulta a páxina de prezos para ver a táboa completa, e comproba o teu saldo en Billing no panel a semana anterior.
A factura para cando para o audio; a transcrición non.
As transcricións consérvanse 30 días en Pagamento por uso e sen límite en Premium e Enterprise. En Pagamento por uso, o audio orixinal consérvase só 7 días. Exporta dentro desa semana se estás no plan gratuíto.
Para ver como se ve a ligazón desde o asento do asistente, consulta Unha ligazón, todos os idiomas, ou proba a demo en directo na páxina de inicio.
